結(jié)合自適應(yīng)暗通道先驗(yàn)和圖像融合策略的單幅圖像除霧方法

程丹松， 劉 歡， 張永強(qiáng)， 金 野， 吳 銳， 劉 鵬

(哈爾濱工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院， 哈爾濱 150001)

?

結(jié)合自適應(yīng)暗通道先驗(yàn)和圖像融合策略的單幅圖像除霧方法

程丹松， 劉 歡， 張永強(qiáng)， 金 野， 吳 銳， 劉 鵬

(哈爾濱工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院， 哈爾濱 150001)

為解決暗通道先驗(yàn)統(tǒng)計(jì)學(xué)模型在一些情況下存在“光暈效應(yīng)”、顏色偏暗和在霧濃度高區(qū)域處理效果不佳等問題,針對(duì)暗通道先驗(yàn)方法進(jìn)行改進(jìn),并結(jié)合圖像融合策略來增強(qiáng)可視化區(qū)域的視覺效果. 利用像素塊加權(quán)插值法來計(jì)算每個(gè)像素點(diǎn)的暗通道值,進(jìn)而消除軟摳圖或?qū)驗(yàn)V波方法所帶來的光暈效應(yīng);利用高斯模型對(duì)待恢復(fù)圖像的暗通道像素值進(jìn)行模擬,從而自適應(yīng)地恢復(fù)天空和其他明亮區(qū)域;通過圖像融合策略增強(qiáng)高濃度區(qū)域的圖像信息. 實(shí)驗(yàn)結(jié)果表明,與其他幾種經(jīng)典算法相比,改進(jìn)方案不僅能夠顯著提高有霧圖像的可見度,而且具有更好的魯棒性.

單幅圖像除霧; 暗通道先驗(yàn); 圖像融合; 自適應(yīng)

室外自然場景捕獲對(duì)于理解自然環(huán)境和執(zhí)行可視化活動(dòng)，如對(duì)象檢測、識(shí)別和導(dǎo)航，是十分重要的.但是在惡劣天氣環(huán)境下，光受大氣顆粒的吸收或散射使場景可見度和對(duì)比度大大降低，顏色發(fā)生偏移和特征信息大量減少[1]，進(jìn)而降低識(shí)別和檢測的效果，所以圖像去霧技術(shù)逐漸受到了研究人員的關(guān)注.

基于物理模型研究圖像去霧，最早是利用暗對(duì)象相減來處理多光譜數(shù)據(jù)[2]對(duì)大氣散射校正或利用同一場景不同天氣狀況下的多幅圖像進(jìn)行除霧.后來，近似3D場景模型得到使用. Hautiere等[3]提出利用無霧的車輛視覺系統(tǒng)進(jìn)行對(duì)比度恢復(fù)， Kopf等[4]利用現(xiàn)有的地理數(shù)字城市模型生成深度圖來提高圖像可見度.然而獲得足夠的圖像或獲取精確的3D地理模型是非常費(fèi)時(shí)和困難的，所以單幅圖像除霧方法的研究顯得尤為重要.在單幅有霧圖像處理方法中，大部分除霧算法都假設(shè)圖像滿足大氣散射模型[5]，利用一個(gè)附加的深度估計(jì)圖或單獨(dú)的投射圖來增強(qiáng)圖像的可見度.Tan[6]通過最大化局部對(duì)比度來預(yù)測場景反照率，但結(jié)果往往過飽和并出現(xiàn)“halo效應(yīng)”.Fattal[7]假定傳輸和表面模型是統(tǒng)計(jì)不相關(guān)來提高圖像對(duì)比度，但該方法需要知道有霧場景下大量的顏色和亮度信息.Tarel等[8]提出了一種使用中值濾波的快速算法，但所提取的深度圖在邊緣細(xì)節(jié)上不能很好保持.He等[9]在暗通道先驗(yàn)方面作出重大貢獻(xiàn)，通過加入先驗(yàn)約束條件，使用軟摳圖方法對(duì)初始投射圖進(jìn)行細(xì)化并取得成功的處理結(jié)果.然而軟摳圖在計(jì)算上十分耗時(shí)，盡管后來使用導(dǎo)向?yàn)V波來進(jìn)行加速[10]，但計(jì)算復(fù)雜度還是比較高，另外在天空區(qū)域和邊緣區(qū)域存在處理效果不佳等問題.

本文結(jié)合融合框架[11]對(duì)原有暗原色先驗(yàn)方法的不足提出了一些改進(jìn)措施：為了減少原方法塊操作所帶來的“halo效應(yīng)”，在投射圖計(jì)算中加入圖像塊的加權(quán)插值技術(shù)，一定意義上消除了“halo效應(yīng)”；針對(duì)原色先驗(yàn)在天空或明亮區(qū)域的損失，提出一種自適應(yīng)暗原色先驗(yàn)?zāi)Ｐ?，提高模型的魯棒性和適用范圍；針對(duì)暗原色先驗(yàn)處理后的圖像顏色偏暗，在霧濃度偏高地方細(xì)節(jié)特征變少的問題，結(jié)合白平衡處理后圖像和霧濃度感知預(yù)測模型處理后的圖像進(jìn)行融合，在增加霧濃度過高區(qū)域特征信息的同時(shí)，還可以使圖像整體顏色更加自然.

1 基于物理模型的圖像去霧算法

1.1 大氣散射模型-霧天圖像降質(zhì)的物理原理

在霧霾天氣條件下，大氣中懸浮的大量粒子對(duì)光線有較強(qiáng)的散射作用. 一方面物體表面的反射光由于大氣粒子的散射而發(fā)生衰減，光強(qiáng)的衰減直接導(dǎo)致物體成像的亮度減弱，而前向散射也會(huì)導(dǎo)致圖像模糊分辨力下降；另一方面自然光因大氣粒子的后向散射而進(jìn)入成像傳感器參與成像，這種后向散射作用造成圖像飽和度、對(duì)比度降低及色調(diào)發(fā)生偏差[5].

理論上，根據(jù)暗原色先驗(yàn)?zāi)Ｐ停环F圖像I可以被分解成兩個(gè)分量，直接衰減項(xiàng)和大氣光成分項(xiàng)，即

式中：I(x)是觀察者接收的有霧圖像在x處的亮度，J(x)是觀察者應(yīng)該接收到的圖像，t(x)∈[0,1]是大氣反射光的投射圖，A代表周圍環(huán)境的大氣光成分.第一項(xiàng)J(x)t(x)是直接衰減項(xiàng)，表示場景輻射率如何隨著媒介進(jìn)行衰減的. 第二項(xiàng)A[1-t(x)]稱為大氣光成分，由于先前的散射光會(huì)造成場景顏色偏移. 一般來說，通過假定大氣是均勻的，并且光傳播更長的距離時(shí)會(huì)加塊衰減和散射.其中t(x)=e-βd(x)中β是介質(zhì)的衰減系數(shù)，d(x)是場景和觀察者之間的距離.

霧天圖像的成像模型如圖1所示,它揭示了從圖像復(fù)原角度實(shí)現(xiàn)去霧的核心思想, 即從觀測到的圖像亮度中去除大氣光參與成像的部分,同時(shí)對(duì)衰減光的結(jié)果進(jìn)行補(bǔ)償, 即可實(shí)現(xiàn)場景的清晰復(fù)原.它意味著在 RGB色彩空間中,向量A,J(x)，I(x)從幾何學(xué)來看是共面的,端點(diǎn)是共線的,透過系數(shù)t是兩條線段長度之比[9],即

圖1 霧天圖像成像模型

利用大氣散射模型將有霧圖像恢復(fù)到無霧圖像的方法總體上可以分為三類：第一類是基于深度信息的方法；第二類是基于大氣光偏振特性的去霧算法；第三類是基于先驗(yàn)知識(shí)的方法.

1.2 暗通道先驗(yàn)

暗原色先驗(yàn)是一種對(duì)無霧圖像的統(tǒng)計(jì)學(xué)規(guī)律. 先前的去霧方法重心都是放在提高圖像對(duì)比度上，而He等人著眼于無霧圖像的統(tǒng)計(jì)特征，通過對(duì)收集到的大量的無霧圖像做實(shí)驗(yàn)，發(fā)現(xiàn)了這個(gè)客觀存在的統(tǒng)計(jì)規(guī)律，即在絕大多數(shù)戶外無霧圖像的任意局部小塊中，總存在一些(至少一個(gè))像素，它們的某一個(gè)或幾個(gè)顏色通道的強(qiáng)度值很低且接近于零，稱之為暗原色[9].

在暗原色的求取過程中, 首先將霧圖像在RGB空間進(jìn)行分解,在局部塊中取最小值操作,求得 R,G,B三通道中最小分量,然后采用軟摳圖或?qū)驗(yàn)V波算法[10]對(duì)最小分量值進(jìn)行局部區(qū)域最小濾波.求取暗通道的數(shù)學(xué)表達(dá)式為

(1)

式中：Jc(y)表示彩色圖像的每個(gè)通道,Ω(x)表示以像素x為中心的一個(gè)窗口.式(1)的表達(dá)也很簡單, 首先求出每個(gè)像素RGB分量中的最小值, 存入一幅和原始圖像大小相同的灰度圖中,然后再對(duì)這幅灰度圖進(jìn)行最小值濾波,濾波的半徑由窗口大小決定,一般有WindowSize = 2 * Radius + 1.暗通道先驗(yàn)的理論指出：Jdark(x)→0.

暗原色先驗(yàn)理論是基于統(tǒng)計(jì)學(xué)上的規(guī)律，目前還沒有被數(shù)學(xué)證明.為了驗(yàn)證其有效性和正確性，He等做了大量的統(tǒng)計(jì)實(shí)驗(yàn)，圖2給出了超5 000幅圖像的暗原色強(qiáng)度統(tǒng)計(jì)直方圖，從中可以看出約有 75%的像素點(diǎn)，其強(qiáng)度值為0，約有86%的像素點(diǎn)，其強(qiáng)度值低于16，絕大多數(shù)的像素點(diǎn)的強(qiáng)度值都很低. 以上統(tǒng)計(jì)結(jié)果在一定程度上證明了暗原色先驗(yàn)的合理性.因此He得出結(jié)論：絕大多數(shù)戶外無霧圖像中的暗原色都具有較低的平均強(qiáng)度值，這就意味著在無霧圖像中絕大多數(shù)都符合暗原色先驗(yàn)規(guī)律.

圖2 超過5 000幅圖像暗通道先驗(yàn)強(qiáng)度統(tǒng)計(jì)直方圖

Fig.2 Histogram of the intensity of the pixels in all the 5 000 dark channels

1.3 霧濃度感知模型

霧濃度感知預(yù)測模型[12]首先從測試集中提取霧統(tǒng)計(jì)特征，然后通過高斯模型對(duì)霧統(tǒng)計(jì)特征進(jìn)行擬合， 進(jìn)而計(jì)算自然無霧圖像和含霧圖像的偏差.霧統(tǒng)計(jì)特征是通過自然場景統(tǒng)計(jì)模型和霧統(tǒng)計(jì)特征派生出來的. 霧感知密度可以表示為有霧圖像等級(jí)與無霧圖像等級(jí)的比率.該比率方法包含有霧圖像與無霧圖像的特征， 因此比單純利用有霧圖像預(yù)測霧濃度更準(zhǔn)確[13].

馬氏距離的表達(dá)式為

其中，v1,v2和Σ1,Σ2是無霧圖像集和測試圖像集MVG模型的均值向量和協(xié)方差矩陣. 同樣，定義Dff為測試圖像集和有霧圖像集的在MVG模型中參數(shù)的距離.最后通過Df和Dff的比重來確定測試圖像區(qū)域塊霧濃度.

2 改進(jìn)方法

2.1 大氣光A的估計(jì)

在 He的論文中一般選取暗原色中最大亮度的前0.1%像素，并把它們對(duì)應(yīng)到原始有霧圖像中的相應(yīng)像素點(diǎn)上，然后選定這些像素點(diǎn)中亮度最高像素點(diǎn)的值作為A值. 也就是說，He選取了原始有霧圖像I中的某一點(diǎn)的值作為整幅圖像的大氣環(huán)境光值，這樣當(dāng)圖像中其他區(qū)域顏色偏亮?xí)r會(huì)很容易導(dǎo)致誤選. 為了使大氣光的估計(jì)更可靠，本文基于天空區(qū)域像素值方差通常很低這個(gè)前提，采用四分搜索法將輸入圖像劃分4個(gè)矩形區(qū)域，并定義每個(gè)區(qū)域取值為區(qū)域內(nèi)所有像素值減去標(biāo)準(zhǔn)偏差的平均值，然后再選中具有最低取值的區(qū)域，并進(jìn)一步將其劃分成4個(gè)更小的區(qū)域.重復(fù)此過程，直到所選擇的區(qū)域比預(yù)先規(guī)定的閾值小，將最后這塊區(qū)域的像素亮度均值作為大氣光取值.

2.1 大氣光A的估計(jì)

暗通道先驗(yàn)圖像除霧的關(guān)鍵一步是投射圖的計(jì)算.在He的文章中先通過暗通道先驗(yàn)粗估計(jì)投射圖，然后利用軟摳圖或?qū)驗(yàn)V波進(jìn)行細(xì)化，得到最終的投射圖[9].

暗通道先驗(yàn)利用局部塊最小操作來進(jìn)行計(jì)算必然會(huì)產(chǎn)生“halo效應(yīng)”. 這是因?yàn)榧偃缦袼豿位于邊緣附件,利用上述方法求取的最小值，在位置上會(huì)更傾向于邊緣附近較暗的一面, 進(jìn)而導(dǎo)致最終估計(jì)的值比實(shí)際值小. 如圖3所示,由于位于邊緣附近較亮側(cè)的像素會(huì)比整個(gè)亮區(qū)域有更低的極小值，而比整個(gè)暗區(qū)域會(huì)有較高的極小值，所以整個(gè)投射圖邊緣保持性并不是很好，在最終恢復(fù)的圖像中邊緣部分就會(huì)出現(xiàn)光帶，即“halo效應(yīng)”.

圖3 局部最小操作

為了解決上述問題，提出一種更有效的方法來估算投射圖. 因?yàn)橥渡鋱D與場景深度有關(guān)，而一個(gè)物體自身的像素具有相似的透射率. 這就意味著透射率有局部不變性. 對(duì)于一幅含霧圖像I，首先計(jì)算每個(gè)像素點(diǎn)在各個(gè)通道中的最小值，記為I1(x). 但是由于暗原色先驗(yàn)是基于局部最小值而不是一個(gè)像素點(diǎn)，所以不能直接用來估計(jì)投射圖. 因此本文首先計(jì)算不重疊塊的暗通道先驗(yàn)值Bdark(i). 然后利用周圍塊的加權(quán)插值方法來計(jì)算Idark(x)，最后再利用導(dǎo)向?yàn)V波求取最終的透射圖. Idark(x)的表達(dá)式為

(2)

ωx(i)計(jì)算公式為

其中Dx(i)=I1(x)-Bdark(i)，σ=0.3.

通過式(2)可知,對(duì)于任一像素,當(dāng)I1(x)與鄰域塊的Bdark(i)差別很小時(shí),像素Idark(x)趨向于和塊i來自于同一物體,所以對(duì)應(yīng)權(quán)重ωx(i)相應(yīng)很高.而當(dāng)I1(x)與鄰域塊的Bdark(i)差別很大時(shí), 像素Idark(x)趨向于和塊i來自于不同物體,相應(yīng)權(quán)重ωx(i)很低. 一方面I1(x)的存在可以很好地保留細(xì)節(jié)信息, 另一方面通過加權(quán)歸一化計(jì)算得到的值會(huì)更傾向于來自同一物體,即滿足局部不變特性.這樣在邊緣部分的求取中就不會(huì)發(fā)生求取的值傾向于邊緣較暗的一面的問題, 所以該方法能夠有效計(jì)算暗通道像素值，避免由于塊效應(yīng)而引起的“光暈效應(yīng)”.

另外，在He的文章中對(duì)于無霧圖像暗通道先驗(yàn)假設(shè)是Jdark→0， 所以在后面的計(jì)算中舍棄Jdark(x)因子即將式(1)的值設(shè)置為0. 在大多數(shù)情況下這項(xiàng)操作沒有問題，但是在天空或接近大氣光的明亮區(qū)域式，公式并不成立.所以在一些特殊情況下，會(huì)出現(xiàn)暗通道先驗(yàn)在天空等明亮區(qū)域失效的情況.

為了解決這個(gè)問題,通過重新計(jì)算無霧圖像的暗通道先驗(yàn)值Jdark(x)來進(jìn)行校正. 通過Idark(x)對(duì)Jdark(x)進(jìn)行擬合,根據(jù)圖2和圖3可以知道，對(duì)于一幅無霧圖像, 其像素分布可以用一個(gè)高斯模型來擬合,通過一種自適應(yīng)方法求取Jdark(x),表達(dá)式為

其中ω2和Z是為了調(diào)整模型形狀和取值以自適應(yīng)求取暗通道值而設(shè)立的,本文實(shí)驗(yàn)調(diào)整為ω2=13，Z=0.65.

暗通道先驗(yàn)透射圖的估計(jì)表達(dá)式為

綜合以上，改進(jìn)后的投射圖估算公式為

其中在He等人[9]的文章中為了使圖像更自然真實(shí)，設(shè)置ω1=0.95.

2.3 基于圖像融合策略的信息增強(qiáng)

通過上面處理得到的結(jié)果雖然消除了暗通道先驗(yàn)失效和“halo效應(yīng)”，但是仍存在圖像顏色偏暗、高霧濃度區(qū)域?qū)Ρ榷鹊汀⑿畔⑻卣魃俚葐栴}，因此本文通過圖像增強(qiáng)的方式利用融合策略來增加圖像的有用信息.

圖像I2是利用2.2節(jié)改進(jìn)方法獲取的圖像，即消除了“halo效應(yīng)”和暗通道先驗(yàn)失效后的圖像. 定義I1為白平衡圖像，I3是通過霧濃度感知模型導(dǎo)出的圖像，主要是為了補(bǔ)償I2在濃度高區(qū)域的處理中缺失的特征信息和顏色偏移.其表達(dá)式為

在文獻(xiàn)[13]中，為了增強(qiáng)圖像細(xì)節(jié)信息和對(duì)比度，提出通過加權(quán)圖融合來增強(qiáng)圖像的信息和可見度.在融合過程中，為了保留更多顯著特征，本文使用加權(quán)圖進(jìn)行計(jì)算.多尺度融合方法是基于人的視覺系統(tǒng)對(duì)局部變化敏感這一事實(shí)，并且多尺度融合提供了一種吸納不同分辨率的圖像局部細(xì)節(jié)的簡便方法.每個(gè)預(yù)處理圖像和相應(yīng)的歸一化權(quán)重圖利用拉普拉斯金字塔和高斯金字塔進(jìn)行分解.

為了消除融合降質(zhì)，在實(shí)驗(yàn)中取l=9為金字塔等級(jí)， Gl{·}和Ll{·}為金字塔等級(jí)l的高斯和拉普拉斯分解.操作通過自下而上的方式在每一層依次執(zhí)行.最后，除霧圖像通過拉普拉斯金字塔重建獲得.

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證所提出的去霧方法的有效性,利用多幅含霧圖像對(duì)其進(jìn)行測試，并且和He[9]，Tarel[8]，F(xiàn)attal[7]和Lark[13]的方法進(jìn)行比較.所有的算法都是在采用MATLABR2014a實(shí)現(xiàn)，實(shí)驗(yàn)系統(tǒng)環(huán)境是主頻為3.4 GHz和4 GB RAM的PC.

3.1 現(xiàn)實(shí)世界圖像的定性比較

由于所有的去霧算法對(duì)一般室外圖像能夠得到非常好的結(jié)果，為了對(duì)它們進(jìn)行比較，對(duì)一些具有白色或灰色區(qū)域的挑戰(zhàn)性圖像進(jìn)行處理，因?yàn)榇蠖鄶?shù)現(xiàn)有的去霧算法對(duì)白色是不敏感的.

在圖4中，Tarel[8]的結(jié)果對(duì)大多數(shù)的霧都能很好去除，對(duì)場景和對(duì)象的細(xì)節(jié)都能很好的恢復(fù).然而在部分區(qū)域會(huì)出現(xiàn)過度增強(qiáng)現(xiàn)象，如在天空區(qū)域顏色會(huì)更暗.這是因?yàn)門arel[8]的算法和He[9]的算法都具有過高估計(jì)透射率的問題.此外由于中值濾波中位數(shù)是邊緣不保持性的濾波，所以在邊緣區(qū)域會(huì)出現(xiàn)“halo效應(yīng)”. Fattal[7]的方法在場景的天際線附近對(duì)霧只能進(jìn)行部分除去，并且處理后的圖像整體顏色也過飽和.這是由于Fattal[7]的算法是基于統(tǒng)計(jì)學(xué)的，需要充足的顏色信息以及差異性.當(dāng)霧很濃時(shí)，顏色很微弱，差異也不夠明顯，他的評(píng)估透射率的方法就不可靠了. He[9]的結(jié)果雖然有更好的視覺效果，但不幸的是，當(dāng)場景亮度和大氣光相似時(shí)暗通道先驗(yàn)是無效的，在一些情況下透射率的估計(jì)是不可靠的，所以在天空區(qū)域和霧濃度高的情況下處理效果欠佳. Lark[13]的結(jié)果雖然得到很好的效果，但是在天空區(qū)域也會(huì)出現(xiàn)顏色偏暗和處理效果不佳等問題.與這4種方法相比，本文的方法不會(huì)出現(xiàn)過飽和現(xiàn)象，并且在天空等明亮區(qū)域能取得很好的處理效果.

3.2 定量比較

為了定量評(píng)估算法性能，計(jì)算各個(gè)算法結(jié)果的峰值信噪比(PSNR)和結(jié)構(gòu)相似性(SSIM)來作為比較，對(duì)比結(jié)果如圖5和圖6所示.

峰值信噪比公式為

其中n為采樣值得比特?cái)?shù)，此時(shí)值設(shè)為8.

MSE的計(jì)算公式為

峰值信噪比(PSNR)是最普遍最廣泛使用的評(píng)鑒畫質(zhì)的客觀量測法，其值越大，就代表失真越少.結(jié)構(gòu)相似性(SSIM)是用來評(píng)估算法保留結(jié)構(gòu)信息的能力.其值越大越好，最大為1. 從表1數(shù)據(jù)可以看出，本文方法整體PSNR值比其他算法的值都較高，說明方法失真較少.而SSIM的值處于中等程度，說明該算法也能很好地保留更多的結(jié)構(gòu)化信息.

圖像FattalMSEPSNRSSIMPHeMSEPSNRSSIMLarkMSEPSNRSSIMTarelMSEPSNRSSIM本文MSEPSNRSSIMFig10.09858.20.4660.19255.30.4650.10458.00.660.08259.00.7150.01466.60.825Fig20.04261.90.5710.14956.40.4550.06260.20.650.10358.00.6050.05460.80.597Fig30.15456.30.2160.17555.70.3790.04561.60.740.07459.40.6900.05560.70.626Fig40.01267.30.7830.18955.40.4710.12757.10.750.11557.50.7200.03363.00.702Fig50.05061.10.5250.07559.40.6420.04561.60.700.03562.70.8890.02164.90.761

圖5 算法的PSNR對(duì)比柱狀圖

Fig.5 PSNR’s comparative histogram of the recent dehazing techniques

圖6 算法的SSIM對(duì)比柱狀圖

Fig.6 SSIM’s comparative histogram of the recent dehazing techniques

4 結(jié) 論

本文結(jié)合改進(jìn)的自適應(yīng)暗通道先驗(yàn)算法和圖像融合策略對(duì)單幅圖像進(jìn)行處理，不僅保留了暗通道先驗(yàn)簡單有效的優(yōu)勢(shì)，而且還針對(duì)處理結(jié)果中出現(xiàn)的“halo效應(yīng)”和暗通道先驗(yàn)在天空等明亮區(qū)域失效的情況進(jìn)行了提升.通過圖像融合解決圖像整體顏色偏暗的問題和增強(qiáng)了高濃度霧區(qū)域的特征信息.實(shí)驗(yàn)表明，該方法在圖像可見度和處理效果上有所改善，尤其在天空等明亮區(qū)域的處理效果有了顯著提高.

[1] NARASIMHAN S G,NAYAR S K. Contrast restoration of weather degraded images[J].IEEE Trans. Pattern Anal. Mach. Intell., 2003,25(6): 713 -724.

[2] CHAVEZ P S.An improved dark-object subtraction technique for atmospheric scattering correction of multispectral data[J].Remote Sens. Environ., 1988,24(3):459-479.

[3] HAUTIERE N, TAREL J P, LAVENANT J, et al. Automatic fog detection and estimation of visibility distance through use of an onboard camera[J]. Machine Vision and Applications, 2006, 17(1): 8-20.

[4] KOPF J, NEUBERT B, CHEN B, et al. Deep photo: model-based photograph enhancement and viewing[C]//ACM Transactions on Graphics (TOG). New York:ACM, 2008, 27(5): 116.

[5] KOSCHMIEDER E L. Bénard convection[J]. Adv. Chem. Phys, 1974, 26(177-212): 605.

[6] TAN R T. Visibility in bad weather from a single image[C]// IEEE Conference on Computer Vision and Pattern Recognition. Anchorage: IEEE, 2008: 1-8.

[7] FATTAL R. Single image dehazing[J].ACM transactions on graphics, 2008, 27(3): 72.

[8] TAREL J P, HAUTIERE N. Fast visibility restoration from a single color or gray level image[C]// IEEE 12th International Conference on Computer Vision. IEEE, 2009: 2201-2208.

[9] HE K, SUN J, TANG X. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353.

[10]HE K, SUN J, TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 35(6): 1397-1409.

[11]ANCUTI C O, ANCUTI C.Single image dehazing by multi-scale fusion[J].IEEE Trans. Image Process., 2013,22(8):3271-3282.

[12]CHOI L K, YOU J,BOVIK A C.Referenceless perceptual fog density prediction model[J].Proc. SPIE, 2014, 9014(10):90140H.

[13]CHOI L K, YOU J, BOVIK A C. Referenceless prediction of perceptual fog density and perceptual image defogging[J]. IEEE Transactions on Image Processing, 2015, 24(11): 3888-3901.

(編輯 王小唯 苗秀芝)

Single image haze removal using adaptive dark channel prior and image fusion strategy

CHENG Dansong, LIU Huan, ZHANG Yongqiang, JIN Ye, WU Rui, LIU Peng

(School of Computer Science and Technology, Harbin institute of technology, Harbin 150001, China)

To resolve the problems of over-saturation, artefacts and dark-look for Dark Channel Prior, this study proposes a method of single image haze removal using adaptive dark channel and image fusion. The Weighted Normalization Interpolation Method is used to compute the dark channel of pixel. The dark channel pixels of the image going to be recovered are modeled as a Gaussian one that a more natural recovered image of the sky and other bright regions can be obtained adaptively. Finally, a post fusion method is devised to increase the image information at dense haze region. Experimental results demonstrate that the proposed method not only significantly improves the visibility of the hazy image than the well-known state-of-the-art approaches, but also has a better robustness.

signal image dehazing; dark channel prior; image fusion; adaptive

10.11918/j.issn.0367-6234.2016.11.006

2015-03-25

國家自然科學(xué)基金 (61440025，61402133); 國家博士后科學(xué)基金(20100480998); 中國航天科技集團(tuán)公司哈爾濱工業(yè)大學(xué)聯(lián)合技術(shù)創(chuàng)新中心項(xiàng)目(CASC-HIT13-1004); 國防科工局重大專項(xiàng)(公開)(50-Y20A08-0508-15/16)

程丹松(1972—),男,博士,副教授

金 野, jinye@hit.edu.cn

文獻(xiàn)標(biāo)志碼: A 文章編號(hào): 0367-6234(2016)11-0035-06